【概述】
决策是一种涵盖了感知、认知、预测，策略生成与评估的复杂活动，其目的是寻找回报最大化的行动方案，其约束条件通常有时间、投入资源，其困难往往在对信息足够的收集、当前准确的认知、未来精确的预测和方案的评估对比。凭直觉的决策往往也是丰富经验形成了快速判断能力，只是目前还难以解释背后的机理。
强调一下，这里主要指的是理性的决策，个人认为的理性是有限条件下的最优化决策，而感性的决策往往就很难做到合理准确，感性本身牵扯到人类各种情绪的产生和影响，如害怕、兴奋、紧张等等。情绪本身是有其积极意义的，自古以来很多时候都有保护人类免受伤害的作用，但在当今社会之中如何管理好情绪，扬长避短，又是一个新的课题，这里不再展开。
决策在具体场景中的应用涉及到两个层面的问题，共性技术和场景化应用。共性技术主要是抽象层面的框架和方法，包括数学和物理的模型。场景化应用涉及到各个环节模型在具体场景之中如何通过改造实现输出值与真实值的精确吻合。
今天我们尝试探讨智能决策的共性框架，并举一个量化投资的应用案例。
【共性框架】
关于共性框架，个人认为脱离不开一种反馈机制，整体可以认为是一种寻找回报最大化行动方案的反馈优化机制。只是在其中可以嵌入大量的非线性模型和网络连接关系，如CNN、RNN、DRL等模型，连接关系方面也不局限于简单的单向二元连接，可以是多元双向的网络连接方式，因为世界变化的关联复杂性远远超过我们的想象。简单借用强化学习的概念图来帮助理解。
这个框架其实很好理解，也很传统，但却通常很难实施，困难在于现实世界的信息爆炸和复杂多变，导致感知、认知、预测、策略生成与评估的每个环节都无法做到足够精确，尤其是在限定的时间和资源条件下。这里面就涉及到最新的智能技术应用了，通过知识图谱、神经网络等新技术新方法，将现实世界的知识、经验融入，对不完备复杂动态的非线性问题进行精确建模，从而实现预测值向真实值的逼近。
【量化案例】
量化投资的应用案例，举一个量化交易系统的例子，来自于《打开量化投资的黑箱》。
上图展示了一个典型的量化交易系统的框架。此图描绘了一个生动有效的交易策略的各个组成成分（例如，决定买卖哪种证券、买卖数量以及买卖时间），但不包括交易策略的所有必要元素（例如，设计交易系统所需的研究工具）。
交易系统包括3个模块：阿尔法模型、风险模型和交易成本模型。这三个模型构成投资组合构建模型的输入变量，而投资组合构建模型和执行模型又相互作用。阿尔法模型旨在预测交易的金融产品未来趋势。例如，在期货市场上的趋势追随策略中，利用阿尔法模型预测投资组合中想要包含的期货产品的价格变动方向。
相比之下，风险模型旨在帮助投资者控制不太可能带来收益但会造成损失的敞口规模。例如，趋势追随者可以选择限制某类资产（如商品）的方向性风险，因为交易者进行操作所依据的预测结果可能都处于同意放行，从而带来过多的风险；风险模型将包含给出这些商品风险敞口水平。
风险模型右边的框中显示的是交易成本模型，它用于帮助确定从目前的投资组合到新的投资组合（已达到最优投资组合模型）的交易成本。无论交易者预计能获利丰厚还是收益微薄，进行任何交易都需要成本。继续讨论前面趋势跟随者的案例，如果预计的趋势不是很强并且只持续很短时间，交易成本模型可能会显示建立头寸和退出头寸的成本会比预期的利润更大。
投资组合构建模型利用阿尔法模型、风险模型和交易成本模型的结果作为输入变量，主要在追求利润和控制风险、交易相关成本间进行平衡，从而确定最佳的投资组合。做出决策之后，该系统将目前的投资组合和目标投资组合加以比较，根据两者之间的差异来执行所需要的交易，如下表所示。
在这个模型的基础上还有两个重要的组成部分：数据和研究。缺少了数据的输入，而且必须是精确的数据输入，框架将毫无用处。量化投资者通过输入数据，对信息进行加工，做出交易决策，进而建立输入/输出模型。例如，采用趋势跟踪策略的交易者通常根据价格数据判定趋势。没有这些数据，将一事无成。正因如此，数据是投资者的命脉，决定着策略的各个方面。对于给定的数据，可以对其进行研究，通常包括对数据的测试和仿真。通过研究可以判断量化策略的运行情况。还值得注意的是，框架中的各个模块，也需要基于大量研究方可正确建立。
【小结】
决策框架中如何自适应的学习和成长正是当下智能技术所聚焦的问题，伴随着智能技术的突飞猛进终将被攻克。在具体场景中的落地应用却还需要场景的精确描述，涉及到行业知识、经验和规律的嵌入，这项工作也是非常庞大且困难的，而且不是智能技术独自能够解决的。
